FUNCIONES Y AJ USTE DE CURVAS

FUNCIONES
ANTECEDENTES DE LAS FUNCIONES
En las matemticas actuales el concepto de funcin se define del modo siguiente:
Sean A y B conjuntos. Se llama funcin entre A y B a cualquier relacin
establecida entre los elementos de A y B de tal modo que a cada elemento de A le
corresponde un nico elemento de B.
Para representar las funciones se suele utilizar la notacin:
f : A B para los conjuntos, f(x) = y para los elementos
A se llama conjunto inicial y B es el conjunto final
f(x) = y se expresa como y es la imagen de x a travs de la aplicacin f.

Se pueden definir funciones entre cualquier tipo de conjuntos, pero las ms
interesantes son las que se establecen entre conjuntos de nmeros. En los
prximos temas vamos a estudiar funciones definidas en el conjunto de los
nmeros reales: las funciones reales (conjunto final) de variable real (conjunto
inicial), f : R R .

La pregunta que cabe hacerse ahora es: cmo se ha llegado hasta aqu?. Es
importante entender que el concepto se desarroll con el paso del tiempo; su
significado fue cambiando y tambin la forma en que se defina, ganando precisin
a travs de los aos.
Lo ms apropiado, quizs, sea comenzar en Mesopotamia. En las matemticas
babilnicas encontramos tablas con los cuadrados, los cubos y los inversos de los
nmeros naturales. Estas tablas sin duda definen funciones de N en N o de N en
R, lo que no implica que los babilonios conocieran el concepto de funcin.
Conocan y manejaban funciones especficas, pero no el concepto abstracto y
moderno de funcin.
En el antiguo Egipto tambin aparecen ejemplos de usos de funciones
particulares. Una tabla con la descomposicin de 2/n en fracciones unitarias para
los impares n desde 5 hasta 101 aparece en el Papiro Rhind o Papiro Ahmes, de
unos 4000 aos de antigedad considerado como el primer tratado de
matemticas que se conserva.





En la Grecia clsica tambin manejaron funciones particulares incluso en un
sentido moderno de relacin entre los elementos de dos conjuntos y no slo de
frmula pero es poco probable que comprendieran el concepto abstracto (y
moderno) de funcin.
La mayor parte de los historiadores de las matemticas parecen estar de acuerdo
en atribuir a Nicole Oresme (1323-1382) la primera aproximacin al concepto de
funcin, cuando describi las leyes de la naturaleza como relaciones de
dependencia entre dos magnitudes. Fue el primero en hacer uso sistemtico de
diagramas para representar magnitudes variables en un plano.
En la revolucin cientfica iniciada en el siglo XVI los cientficos centraron su
atencin en los fenmenos de la naturaleza, poniendo nfasis en las relaciones
entre las variables que determinaban dichos fenmenos y que podan ser
expresadas en trminos matemticos. Era necesario comparar las variables,
relacionarlas, expresarlas mediante nmeros y representarlas en algn sistema
geomtrico adecuado.
Galileo Galilei (1564-1642) pareci entender el concepto de funcin an con
mayor claridad. Sus estudios sobre el movimiento contienen la clara comprensin
de una relacin entre variables. Entre las funciones que estudi Galileo destacan,
por sus sorprendentes consecuencias:

Casi al mismo tiempo que Galileo llegaba a estas ideas, Ren Descartes (1596-
1650) introduca la geometra analtica. Descartes desarroll y llev a sus
fundamentales consecuencias las ideas que siglos atrs se haban usado para
representar en el plano relaciones entre magnitudes. Ahora cualquier curva del
plano poda ser expresada en trminos de ecuaciones y cualquier ecuacin que
relacionara dos variables poda ser representada geomtricamente en un plano.
A finales del siglo XVII aparece por primera vez el trmino funcin. En palabras de
Johann Bernoulli, una funcin es una cantidad formada de alguna manera a partir
de cantidades indeterminadas y constantes. Pero no fue hasta 1748 cuando
concepto de funcin salt a la fama en matemticas. Leonhard Euler, uno de los
grandes genios de las matemticas de todos los tiempos, public un libro,
Introduccin al anlisis infinito, en el defini funcin como:
Una funcin de una cantidad variable es una expresin analtica compuesta de
cualquier manera a partir de la cantidad variable y de nmeros o cantidades
constantes. Pero Euler no define expresin analtica. As que poco despus, en
1755, tuvo que precisar su definicin: Si algunas cantidades dependen de otras
del tal modo que si estas ltimas cambian tambin lo hacen las primeras, entonces
las primeras cantidades se llaman funciones de las segundas.
Pero la cosa segua sin estar clara del todo: cmo es esa dependencia?, cmo
expresarla, calcularla o representarla?, cmo deben cambiar los valores de las
variables?, cuntas variables pueden intervenir?, ...
Muchos matemticos abordaron el problema de dar una definicin precisa y
adecuada de funcin. Y as se pasaron casi dos siglos, puliendo poco a poco el
concepto, hasta que, ya en el siglo XX, Edouard Goursat dio en 1923 la definicin
que aparece en la mayora de los libros de textos hoy en da:
Se dice que y es una funcin de x si a cada valor de x le corresponde un nico
valor de y. Esta correspondencia se indica mediante la ecuacin y = (x)
9
.
DEFINICIN
En matemtica, una funcin (f) es una relacin entre un conjunto dado X (llamado
dominio) y otro conjunto de elementos Y (llamado codominio) de forma que a cada
elemento x del dominio le corresponde un nico elemento f(x) del codominio (los
que forman el recorrido, tambin llamado rango o mbito).
En lenguaje cotidiano o ms simple, diremos que las funciones matemticas
equivalen al proceso lgico comn que se expresa como depende de.
Las funciones matemticas pueden referirse a situaciones cotidianas, tales como:
el costo de una llamada telefnica que depende de su duracin, o el costo de
enviar una encomienda que depende de su peso.
A modo de ejemplo, cul sera la regla que relaciona los nmeros de la derecha
con los de la izquierda en la siguiente lista?:
1 --------> 1
2 --------> 4
3 --------> 9
4 --------> 16





Los nmeros de la derecha son los cuadrados de los de la izquierda.
La regla es entonces "elevar al cuadrado":
1 --------> 1
2 --------> 4
3 --------> 9
4 --------> 16
x --------> x
2
.
Para referirse a esta regla podemos usar un nombre, que por lo general es la
letra f (de funcin). Entonces, f es la regla "elevar al cuadrado el nmero".
Usualmente se emplean dos notaciones:
x --------> x
2
o f(x) = x
2
.
As, f(3) significa aplicar la regla f a 3. Al hacerlo resulta 3
2
= 9.
Entonces f(3) = 9. De igual modo f(2) = 4, f(4) = 16, f(a) = a
2
, etc.
Veamos algunos ejemplos que constituyen funciones matemticas.
Ejemplo 1
Correspondencia entre las personas que trabajan en una oficina y su peso
expresado en kilos
Conjunto X Conjunto Y
ngela 55
Pedro 88
Manuel 62
Adrin 88
Roberto 90

Cada persona (perteneciente al conjunto X o dominio) constituye lo que se llama
la entrada o variable independiente. Cada peso (perteneciente al
conjunto Y o codominio) constituye lo que se llama la salida o variable
dependiente. Notemos que una misma persona no puede tener dos pesos
distintos. Notemos tambin que es posible que dos personas diferentes tengan el
mismo peso.
Ejemplo 2
Correspondencia entre el conjunto de los nmeros reales (variable independiente)
y el mismo conjunto (variable dependiente), definida por la regla "doble del nmero
ms 3".
x -------> 2x + 3 o bien f(x) = 2x + 3
Algunos pares de nmeros que se corresponden por medio de esta regla son:
Conjunto X Conjunto Y Desarrollo
2 1 f(2) = 2(2) + 3 = 4 + 3 = 1
1 1 f(1) = 2(1) + 3 = 2 + 3 = 1
0 3 f(0) = 2(0) + 3 = 0 + 3 = 3
1 5 f(1) = 2(1) + 3 = 2 + 3 = 5
2 7 f(2) = 2(2) + 3 = 4 + 3 = 7
3 9 f(3) = 2(3) + 3 = 6 + 3 = 9
4 11 f(4) = 2(4) + 3 = 8 + 3 = 11

Con estos ejemplos vamos entendiendo la nocin de funcin: como vemos, todos
y cada uno de los elementos del primer conjunto(X) estn asociados a uno, y slo
a uno, del segundo conjunto (Y). Todos y cada uno significa que no puede quedar
un elemento enX sin su correspondiente elemento en Y. A uno y slo a uno
significa que a un mismo elemento en X no le pueden corresponder dos elementos
distintos en Y.
Ahora podemos enunciar una definicin ms formal:
Una funcin (f) es una regla que asigna a cada elemento x de un conjunto X
(dominio) exactamente un elemento, llamado f(x), de un conjunto Y (codominio).
Otra definicin equivalente es: sean X e Y dos conjuntos. Una funcin
de X en Y es una regla (o un mtodo) que asigna un (y slo uno) elemento en Y a
cada elemento en X.
Usualmente X e Y son conjuntos de nmeros.
Generalizando, si se tiene una funcin f, definida de un conjunto A en un conjunto
B, se anota
f : A -----> B (o, usando X por A e Y por B f : X -----> Y) o f(x) = x
Recordemos de nuevo que el primer conjunto A se conoce como dominio (Dom)
de la funcin y B es el codominio o conjunto de llegada.
f(x) denota la imagen de x bajo f, mientras que x es la preimagen de f(x).
En el ejemplo 2 anterior el nmero 3 es la imagen del nmero 0 bajo f; por su
parte, 1 es la preimagen del nmero 5.
El rango (Rg) o recorrido (Rec) o mbito (A) es el conjunto de todos los valores
posibles de f(x) que se obtienen cuando x vara en todo el dominio de la funcin.



DIFERENCIAS ENTRE FUNCIN Y RELACIN
Una relacin es cualquier conjunto de pares ordenados, o cualquier
correspondencia entre conjuntos y una funcin es la que da exactamente un valor
a la variable dependiente (y) para cada valor de la variable independiente (x) en el
dominio.
Una relacin entre 2 conjuntos A y B es cualquier subconjunto
del producto cartesiano AXB, incluso el vaco. Una funcin de A en B debe cumplir
que para todo elemento de A exista un nico elemento de B (que se suele llamar
f(a)) relacionado con l. Una forma de clasificar las relaciones es la siguiente: se
dice que R es reflexiva si para todo elemento de A (a, a) est en la relacin. Se
dice que es simtrica si cada vez que (a, b) est en la relacin, (b, a) est en la
relacin, antisimtrica si cada vez que (a, b) y (b, a) estn en la relacin, a=b y
transitiva si cada vez que (a, b) y (b, c) estn en la relacin, (a, c) est en la
relacin.

PARA QU SE REPRESENTA UNA GRFICA?
Una grfica es la representacin de datos, generalmente numricos, mediante
lneas, superficies o smbolos, para ver la relacin que esos datos guardan entre
s. Tambin se representan para plasmar coordenadas cartesianas, y sirven para
analizar el comportamiento de un proceso, o un conjunto de elementos
o signos que permiten la interpretacin de un fenmeno.
La representacin grfica tambin es una ayuda para el estudio de una funcin.
Una funcin con una variable dependiente y otra independiente se puede
representar grficamente en un eje de ordenadas y abscisas correspondiendo
el valor de cada variable a la posicin en los ejes.

TIPOS DE FUNCIONES

FUNCIN CONSTANTE

Se llama funcin constante a la que no depende de ninguna variable, y la
podemos representar como una funcin matemtica de la forma:
F(x)=a donde a pertenece a los nmeros reales y es una constante.







Como se puede ver es una recta horizontal en el plano x y, en la grfica la hemos
representado en el plano, pero, como se puede ver la funcin no depende de x, si
hacemos:
Y=F(x) entonces Y=a donde a tiene un valor constante, en la grfica tenemos
representadas:
para valores de a iguales: Y=8Y=4,2Y=-3,6
La funcin constante como un polinomio en x es de la forma
Se dice que es constante porque su valor no cambia, a cada valor de x le
corresponde siempre el valor a.
El Dominio de la funcin constante va hacer igual siempre a "Todos los Reales"
Mientras que la imagen tan solo va hacer el valor de a.
Es una Funcin Continua.
Qu significa la recta representa por la funcin y=0?
Representa que la recta pasara por todo el eje X.
Funcin lineal
Es aquella que satisface las siguientes dos propiedades:
Propiedad aditiva (tambin llamada propiedad de superposicin): Si existen
f(x) y f(y), entonces f(x + y) = f(x) + f(y). Se dice que f es
un grupo isomorfista con respecto a la adicin.
Propiedad homognea: f (ax) = af(x), para todo nmero real a. Esto hace
que la homogeneidad siga a la propiedad aditiva en todos los casos donde
a es racional. En el caso de que la funcin lineal sea continua, la
homogeneidad no es un axioma adicional para establecer si la propiedad
aditiva est establecida.
En esta definicin x no es necesariamente un nmero real, pero es en general
miembro de algn espacio vectorial.
Para comprobar la linealidad de una funcin no es necesario realizar la
comprobacin de las propiedades de homogeneidad y aditividad por separado,
con mostrar que la linealidad queda demostrada.
El concepto de linealidad puede ser extendido al operador lineal. Ejemplos
importantes de operaciones lineales incluyen a la derivada considerada un
operador diferencial y muchos construidos de l, tal como el Laplaciano. Cuando
una ecuacin diferencial puede ser expresada en forma lineal, es particularmente
fcil de resolver al romper la ecuacin en pequeas piezas, resolviendo cada una
de estas piezas y juntando lassoluciones.
Las ecuaciones no lineales y las funciones no lineales son de inters en la fsica y
matemticas debido a que son difciles de resolver y dan lugar a interesantes
fenmenos como la teora del caos.


Funcin Cuadrtica
La funcin cuadrtica responde a la formula: y= a x2 + b x + c con a =/ 0. Su
grfica es una curva llamada parbola cuyas caractersticas son:
Si a es mayor a 0 es cncava y admite un mnimo. Si a es menor a 0 es convexa y
admite un mximo.
Vrtice: Puntos de la curva donde la funcin alcanza el mximo o el mnimo.
Eje de simetra: x = xv.
Interseccin con el eje y.
Intersecciones con el eje x: se obtiene resolviendo la ecuacin de segundo grado.



Funcin Logartmica
Se llama funcin logartmica a la funcin real de variable real:

La funcin logartmica es una aplicacin biyectiva definida de R*+ en R :

La funcin logartmica solo est definida sobre los nmeros positivos.
Los nmeros negativos y el cero no tienen logaritmo
La funcin logartmica de base a es la recproca de la funcin exponencial
de base a.
Las funciones logartmicas ms usuales son la de base 10 y la de base e =
2"718281...
Debido a la continuidad de la funcin logartmica, los lmites de la forma

Se hallan por medio de la frmula:



Funcin Exponencial
La funcin exponencial (de base e) es una funcin real que tiene la propiedad de
que al ser derivada se obtiene la misma funcin. Toda funcin exponencial tiene
por dominio de definicin el conjunto de los nmeros reales. Adems la funcin
exponencial es la funcin inversa del logaritmo natural. Esta funcin se denota
equivalentemente como donde e es la base de los logaritmos
naturales.
En trminos generales, una funcin real F(x) es de tipo exponencial si tiene la
forma

Siendo nmeros reales, . Se observa en los grficos que si la
curva ser creciente.

Cuadro comparativo entre las funciones


Funcin Ramificada
Es aquella que sirve para encontrar los puntos lmites de los intervalos en los
cuales se divide el dominio.
Ejemplo:

Respuesta:
Observemos que el dominio de esta funcin est dividido, y el punto de divisin es
x = 1.

Relevancia de las funciones en el clculo
Las funciones juegan un papel esencial en el desarrollo del clculo, las funciones
son generalmente del tipo:

En otras palabras, "x" es una variable, "y" es otra variable, y el valor que tome "y"
depende del valor que est tomando "x". Por ejemplo, en la funcin "2x = y", pues
cuando "x" tome el valor de 5, "y" va a tomar el valor de 10 (porque 2*5 es 10).
Las funciones son importantes para realizar frmulas simplificadas de las
operaciones que se realizan comnmente, como una sumatoria, un promedio, etc.
Es decir, de manera ms sencilla.

Diferencia y semejanza entre dominio y rango
DOMINIO RANGO
DIFERENCIA Est formado por aquellos
valores de x
Est formado por aquello
valores de y
SEMEJANZA Son nmeros reales

Se requiere para
representar una grfica
Son nmeros reales

Se requiere para
representar una grfica

AJUSTE DE CURVAS
Cuando se asocia un error sustancial a los datos, la interpolacin polinomial es
inapropiada y puede llevar a resultados no satisfactorios cuando se usa para
predecir valores intermedios. Los datos experimentales a menudo son de ese tipo.
Una estrategia ms apropiada en estos casos es la de obtener una funcin
aproximada que ajuste adecuadamente el comportamiento o la tendencia
general de los datos, sin coincidir necesariamente con cada punto en particular.
Una lnea recta puede usarse en la caracterizacin de la tendencia de los datos
sin pasar sobre ningn punto en particular. Una manera de determinar la lnea, es
inspeccionar de manera visual los datos graficados y luego trazar la mejor lnea a
travs de los puntos. Aunque este enfoque recurre al sentido comn y es vlido
para clculos a simple vista es deficiente ya que es arbitrario. Es decir, a menos
que los puntos definan una lnea recta perfecta (en cuyo caso la interpolacin seria
apropiada), cada analista trazar rectas diferentes.
La manera de quitar esta subjetividad es considerar un criterio que cuantifique la
suficiencia del ajuste. Una forma de hacerlo es obtener una curva que minimice la
diferencia entre los datos y la curva y el mtodo para llevar a cabo este objetivo es
al que se le llama regresin con mnimos cuadrados.
DEFINICIN
El ajuste de curvas consiste en encontrar una curva que contenga una serie de
puntos y que posiblemente cumpla una serie de restricciones adicionales. Esta
seccin es una introduccin tanto a la interpolacin (cuando se espera un ajuste
exacto a determinadas restricciones) y al ajuste de curvas/anlisis de
regresin (cuando se permite una aproximacin).

El ajuste de curvas es un proceso mediante el cual, dado un conjunto de N pares
de puntos {xi, yi} (siendo x la variable independiente y la dependiente), se
determina una funcin matemtica f(x) de tal manera que la suma de los
cuadrados de la diferencia entre la imagen real y la correspondiente obtenida
mediante la funcin ajustada en cada punto sea mnima:

Generalmente, se escoge una funcin genrica f(x) en funcin de uno o ms
parmetros y se ajusta el valor de estos parmetros de la manera que se minimice
el error cuadrtico, . La forma ms tpica de esta funcin ajustada es la de un
polinomio de grado M; obtenindose para M = 1 un ajuste lineal (o regresin
lineal),

para M = 2 un ajuste parablico,

Por otro lado podemos tener un conjunto de datos multidimensionales; es decir, un
conjunto de N puntos en un espacio k+1-dimensional del tipo { xi
(1)
, xi
(2)
, ..., xi
(k)
,...
yi,}.
La funcin que ajustaremos a estos puntos ser una funcin de k variables

El ajuste multidimensional ms sencillo es considerar una dependencia lineal de la
funcin respecto a cada una de las variables de que depende; es decir, ajustando
una funcin del tipo

de tal manera que se minimice el error cuadrtico respecto al conjunto de
parmetros {a
0
, a
1
,..,a
k
}. Es lo que se conoce como ajuste o regresin multilineal.
En esta seccin veremos que el ajuste lineal, el de un polinomio de grado M y el
ajuste multilineal se pueden expresar dentro de un mismo formalismo de manera
que las respectivas soluciones al problema se pueden determinar mediante
algoritmos prcticamente anlogos.



AJUSTE DE LNEAS Y CURVAS POLINMICAS A PUNTOS
Empecemos con una ecuacin polinmica de primer grado:

Esta lnea tiene pendiente a. Sabemos que habr una lnea conectando dos
puntos cualesquiera. Por tanto, una ecuacin polinmica de primer grado es un
ajuste perfecto entre dos puntos.
Si aumentamos el orden de la ecuacin a la de un polinomio de segundo grado,
obtenemos:

Esto se ajustar exactamente a tres puntos. Si aumentamos el orden de la
ecuacin a la de un polinomio de tercer grado, obtenemos:

Que se ajustar a cuatro puntos.
Una forma ms general de decirlo es que se ajustar exactamente a cuatro
restricciones .Cada restriccin puede ser un punto, un ngulo o una curvatura (que
es el recproco del radio, o 1/R). Las restricciones de ngulo y curvatura se suelen
aadir a los extremos de una curva, y en tales casos se les llama condiciones
finales. A menudo se usan condiciones finales idnticas para asegurar una
transicin suave entre curvas polinmicas contenidas en una nica spline.
Tambin se pueden aadir restricciones de orden alto, como "el cambio en la tasa
de curvatura". Esto, por ejemplo, sera til en diseos de intercambios en trbol
para incorporaciones a autopistas, para entender las fuerzas a las que somete a
un vehculo y poder establecer lmites razonables de velocidad.
Si tenemos ms de n + 1 restricciones (siendo n el grado del polinomio), an
podemos hacer pasar la curva polinmica por ellas. No es seguro que vaya a
existir un ajuste exacto a todas ellas (pero podra suceder, por ejemplo, en el caso
de un polinomio de primer grado que se ajusta a tres puntos colineales). En
general, sin embargo, se necesita algn mtodo para evaluar cada aproximacin.
El mtodo de mnimos cuadrados es una manera de comparar las desviaciones.
Ahora bien, podramos preguntarnos la razn de querer un ajuste aproximado
cuando podramos simplemente aumentar el grado de la ecuacin polinmica para
obtener un ajuste exacto. Existen varias:
Incluso si existe un ajuste exacto, no quiere decir necesariamente que
podamos encontrarlo. Dependiendo del algoritmo que se use, podramos
encontrar un caso divergente, donde no se podra calcular el ajuste exacto,
o el coste computacional de encontrar la solucin podra ser muy alto. De
cualquier modo, tendramos que acabar aceptando una solucin
aproximada.
Quiz prefiramos el efecto de promediar datos cuestionables en una
muestra, en lugar de distorsionar la curva para que se ajuste a ellos de
forma exacta.
Los polinomios de orden superior pueden oscilar mucho. Si hacemos pasar
una curva por los puntos A y B, esperaramos que la curva pase tambin
cerca del punto medio entre A y B. Esto puede no suceder con curvas
polinmicas de grados altos, ya que pueden tener valores
de magnitud positiva o negativa muy grande. Con polinomios de grado bajo
existen ms posibilidades de que la curva pase cerca del punto medio (y
queda garantizado que pasar exactamente por ah, en los de primer
grado).
Los polinomios de orden bajo tienden a ser suaves y las curvas de los
polinomios de orden alto tienden a ser "bulbosas". Para definir esto con ms
precisin, el nmero mximo de puntos de inflexin de una curva
polinmica es n-2, donde n es el orden de la ecuacin polinmica. Un punto
de inflexin es el lugar de una curva donde cambia de radio positivo a
negativo. Obsrvese que la "bulbosidad" de los polinomios de orden alto es
slo una posibilidad, ya que tambin pueden ser suaves, pero no existen
garantas, al contrario que sucede con los polinomios de orden bajo. Un
polinomio de grado quince podra tener, como mximo, trece puntos de
inflexin, pero podra tener tambin doce, once, o cualquier nmero hasta
cero.
Ahora que hemos hablado del uso de grados demasiado bajos para conseguir un
ajuste exacto, comentemos qu sucede si el grado de una curva polinmica es
mayor del necesario para dicho ajuste. Esto es malo por las razones comentadas
anteriormente si los polinomios son de orden alto, pero tambin nos lleva a un
caso en que exista un nmero infinito de soluciones. Por ejemplo, un polinomio de
primer grado (una lnea) restringido por un nico punto, en lugar de los dos
habituales, nos dar un nmero infinito de soluciones. Esto nos trae el problema
de cmo comparar y escoger una solucin nica, lo que puede ser un problema
tanto para humanos como para el software. Por esta razn es mejor escoger el
polinomio de menor grado posible para obtener un ajuste exacto en todas las
restricciones, y quiz incluso un grado menor si es aceptable una aproximacin al
ajuste.

AJUSTE DE CURVAS A LOS DATOS
Tambin se pueden usar en ciertos casos otros tipos de curvas, como secciones
cnicas (arcos circulares, elpticos, parablicos e hiperblicos) o funciones
trigonomtricas(como el seno y el coseno). Por ejemplo, las trayectorias de
objetos bajo la influencia de la gravedad siguen una curva parablica, si se ignora
la resistencia del aire. Por tanto, ajustar los puntos de una trayectoria a una curva
parablica tendra sentido. Las mareas siguen patrones sinusoides, por tanto se
podran ajustar datos provenientes de mareas a una onda sinusoidal; o la suma de
dos sinusoides de periodo diferente, si se considera el efecto conjunto de la Luna
y el Sol.
APLICACIN EN SUPERFICIES
Mientras que hasta ahora hemos hablado en trminos de curvas 2D, mucho del
razonamiento se extiende tambin a superficies tridimensionales, compuestas por
"parches" definidos por una red de curvas en dos direcciones paramtricas,
llamadas habitualmente u y v. Una superficie se puede componer de una o ms
superficies "parche" en cada direccin.
RECTA MNIMO CUADRTICA
Este mtodo consiste en hallar la curva de la forma tal
que, haga minima la suma de, los cuadrados de las desviaciones, esto
es:

O escrita mediante sea un mnimo.
Con las desviaciones escritas como:






AJUSTE DE MNIMOS CUADRDOS A UNA LINEA RECTA
Consideremos a un Conjunto de observaciones al cual se desea ajustar
una relacin lineal









PARBOLA M N I MO CUADRTICA
En este caso el ajuste de los puntos experimentales se har a una parbola, cuya
ecuacin es de la forma:

Con ecuaciones normales:

Graficas y su uso: La representacin de datos de forma grafica ayuda a
presentar datos de forma sencilla donde las conclusiones son fciles de
entender. Mapas del tiempo, evolucin de la bolsa, el volumen de la televisin son
ejemplos de datos representados con grficos que difcilmente los podemos
imaginar en otro formato.

Conceptos de una variable: Objeto, proceso o caracterstica que est
Presente, o supuestamente presente, en el fenmeno que un cientfico quiere
estudiar. Los objetos, procesos o caractersticas reciben el nombre de variables en
la medida en que su modificacin provoca una modificacin en otro objeto,
proceso o caracterstica. Las variables principales a las que se suele referir
la investigacin en psicologa pueden ser independientes, dependientes,
intermedias, conductuales, observables, o inobservables.

Variable independiente: En la verificacin experimental, el investigador intenta
reproducir artificialmente los fenmenos que se dan de forma espontnea en la
realidad y que desea comprender; cuando dispone de una hiptesis que establece
un supuesto vnculo causal entre un objeto, proceso o caracterstica (supuesta
causa) y el objeto proceso o caracterstica que exige una explicacin (el efecto),
manipula experimentalmente la primera para ver si se produce el efecto que la
hiptesis describa. La variable que manipula el experimentador recibe el nombre
de variable independiente.

Variable dependiente: El objeto, proceso o caracterstica a estudiar y que
modifica su estado con la modificacin de la variable independiente (es decir que
depende de ella y que en esa medida es un efecto) se llama variable dependiente.
Si queremos averiguar cmo se produce la modificacin en nuestras sensaciones
visuales con la modificacin de la luz, la luz sera la variable que tiene que
manipular el investigador (es decir, la variable independiente) y la sensacin
luminosa del sujeto, la variable dependiente.

Conceptos de una constante : En este sentido, el concepto constante es
Justamente el opuesto a variable, que corresponde a aquellos objetos-dato que
pueden recibir nuevas asignaciones de valor a lo largo del programa. Dicho en
otras palabras: entidades cuyo valor solo es conocido en tiempo de ejecucin.
Una constante es una expresin que tiene un valor fijo. Hay dos tipos de
constantes: constantes predefinidas que seleccionamos por el nombre desde la
ventana del Explorador y las constantes literales las cuales introducimos
manualmente en los mtodos.

Concepto de una constante de proporcionalidad: La constante de
proporcionalidad es el cociente entre el antecedente y el consecuente de cualquier
razn de una proporcin.


Concepto de proporcionalidad (inversa y directa): La proporcionalidad es una
relacin entre magnitudes medibles. Es uno de los escasos
conceptos matemticos ampliamente difundido en la poblacin. Esto se debe a
que es en buena medida intuitiva y de uso muy comn. La proporcionalidad directa
es un caso particular de las variaciones lineales. El factor constante de
proporcionalidad puede utilizarse para expresar la relacin entre cantidades.
Proporcionalidad Directa: Dos variables x e y son directamente proporcionales si
su razn y/x es constante. En este caso se dice que las variables x e y son
directamente proporcionales. Dicho de otra manera si una de las variables
aumenta (x), la otra tambin aumenta (y); y si una de las variables disminuye (x),
la otra tambin disminuye

Proporcionalidad Indirecta: Dos magnitudes son inversamente proporcionales
cuando al aumentar una, disminuye la otra en la misma proporcin.






Relacin entre variables:




TRANSFORMACIN DE VARIABLES

LINEALIZACIN DE LAS RELACIONES MATEMTICAS

LINEALIZACION DE CURVA




ANLISIS DE LA REGRESIN
En estadstica, el anlisis de regresin es un proceso estadstico para la
estimacin de relaciones entre variables. Incluye muchas tcnicas para el
modelado y anlisis de diversas variables, cuando la atencin se centra en la
relacin entre una variable dependiente y una o ms variables independientes.
Ms especficamente, el anlisis de regresin ayuda a entender cmo el valor
tpico de la variable dependiente cambia cuando cualquiera de las variables
independientes es variada, mientras que se mantienen las otras variables
independientes fijas. Ms comnmente, el anlisis de regresin estima la
esperanza condicional de la variable dependiente dadas las variables
independientes - es decir, el valor promedio de la variable dependiente cuando se
fijan las variables independientes. Con menor frecuencia, la atencin se centra en
un cuantil, u otro parmetro de localizacin de la distribucin condicional de la
variable dependiente dadas las variables independientes. En todos los casos, el
objetivo es la estimacin de una funcin de las variables independientes llamada
la funcin de regresin. En el anlisis de regresin, tambin es de inters para
caracterizar la variacin de la variable dependiente en torno a la funcin de
regresin que puede ser descrito por una distribucin de probabilidad.
El anlisis de regresin es ampliamente utilizado para la prediccin y previsin,
donde su uso tiene superposicin sustancial en el campo de aprendizaje
automtico. El anlisis de regresin se utiliza tambin para comprender que cuales
de las variables independientes estn relacionadas con la variable dependiente, y
explorar las formas de estas relaciones. En circunstancias limitadas, el anlisis de
regresin puede utilizarse para inferir relaciones causales entre las variables
independientes y dependientes. Sin embargo, esto puede llevar a ilusiones o
falsas relaciones, por lo que se recomienda precaucin,
1
por ejemplo, la
correlacin no implica causalidad.
Se han desarrollado muchas tcnicas para llevar a cabo anlisis de regresin.
Mtodos familiares tales como regresin lineal y ordinaria de mnimos cuadrados
de regresin son paramtrica, en que la funcin de regresin se define en
trminos de un nmero finito de desconocidos parmetros que se estiman a partir
de los datos. Regresin no paramtrica se refiere a las tcnicas que permiten que
la funcin de regresin mienta en un conjunto especfico de funciones, que puede
ser de dimensin infinita.
El desempeo de los mtodos de anlisis de regresin en la prctica depende de
la forma del proceso de generacin de datos, y cmo se relaciona con el mtodo
de regresin que se utiliza. Dado que la forma verdadera del proceso de
generacin de datos generalmente no se conoce, el anlisis de regresin depende
a menudo hasta cierto punto de hacer suposiciones acerca de este proceso. Estos
supuestos son a veces comprobables si una cantidad suficiente de datos est
disponible. Los modelos de regresin para la prediccin a menudo son tiles
incluso cuando los supuestos son violados moderadamente, aunque pueden no
funcionar de manera ptima. Sin embargo, en muchas aplicaciones, sobre todo
con pequeos efectos o las cuestiones de causalidad sobre la base de los datos
de observacin, mtodos de regresin pueden dar resultados engaosos.

REGRESIN LINEAL
En estadstica la regresin lineal o ajuste lineal es un mtodo matemtico que
modela la relacin entre una variable dependiente Y, las variables
independientes X
i
y un trmino aleatorio . Este modelo puede ser expresado
como:


: Variable dependiente, explicada o regresando.
: Variables explicativas, independientes o regresores.
: Parmetros, miden la influencia que las variables explicativas
tienen sobre el regresando.

Donde es la interseccin o trmino "constante", las son los
parmetros respectivos a cada variable independiente, y es el nmero de
parmetros independientes a tener en cuenta en la regresin. La regresin lineal
puede ser contrastada con la regresin no lineal.

Supongamos que tenemos un conjunto de N puntos en el plano {xi, yi}. El objetivo
es determinar la ecuacin de la recta tal que minimiza el error cuadrtico

Respecto a los parmetros a0 (ordenada al origen) y a1 (pendiente).


Matemticamente:

Simplificando las ecuaciones anteriores vemos que se debe cumplir que

o bien, dividiendo ambas ecuaciones por el numero total de puntos e introduciendo
valores medios

En forma matricial, podemos escribir

por lo que determinar los parmetros de la recta se resume a resolver el sistema
de ecuaciones lineales de dos ecuaciones y dos incgnitas anterior.
MTODOS DE MNIMOS CUADRADOS
El procedimiento ms objetivo para ajustar una recta a un conjunto de datos
presentados en un diagrama de dispersin se conoce como "el mtodo de los
mnimos cuadrados". El ejemplo mas simple de una aproximacin por mnimos
cuadrados es el ajuste de una lnea recta a un conjunto de parejas de datos
observadas: (X
1
, Y
1
), (X
2
, Y
2
), (X
3
, Y
3
),, (X
n
, Y
n
). La recta resultante y = a +bx +
E, en donde a y b son coeficientes que representan la interseccin con el eje de
las abcisas y la pendiente, E es el error o residuo entre las observaciones y el
modelo, E = y a +bx, y presenta dos caractersticas importantes:
1. Es nula la suma de las desviaciones verticales de los puntos a partir de la recta
de ajuste
2. Es mnima la suma de los cuadrados de dichas desviaciones. Ninguna otra
recta dara una suma menor de las desviaciones elevadas al cuadrado

Criterio para un mejor ajuste
Una estrategia que obtiene la mejor lnea a travs de los puntos debe minimizar
la suma de los errores residuales, como en:

Otro criterio seria minimizar la suma de los valores absolutos de las diferencias,
esto es:

Una tercera estrategia en el ajuste de una lnea ptima es el criterio de mnimas.
En este mtodo, la lnea se escoge de tal manera que minimice la distancia
mxima a la que se encuentra un punto de la lnea recta. Esta estrategia esta mal
condicionada para regresin ya que influye de manera indebida sobre un punto
externo, aislado, cuyo error es muy grande. Se debe notar que el criterio mnimas
algunas veces esta bien condicionado para ajustar una funcin simple a una
funcin complicada.
Una estrategia que ignora las restricciones anteriores es la de minimizar la suma
de los cuadrados de los residuos, r S , de la siguiente manera:

Este criterio tiene muchas ventajas, incluyendo el que ajusta una lnea nica a un
conjunto dado de datos. Antes de analizar estas propiedades, se muestra un
mtodo que determina los valores de a y b que minimizan la ecuacin Ec 3.
La obtencin de los valores de a y b que minimizan esta funcin es un problema
que se puede resolver recurriendo a la derivacin parcial de la funcin en trminos
de a y b: llamemos G a la funcin que se va a minimizar:

Se toma las derivadas parciales de G respecto de a y b que son las incgnitas y
se igualan a cero; de esta forma se obtienen dos ecuaciones llamadas ecuaciones
normales del modelo, que pueden ser resueltas por cualquier mtodo ya sea
igualacin o matrices para obtener los valores de a y b.
La ecuacin , se deriva parcialmente respecto de a


Ahora se deriva parcialmente la ecuacin respecto de b



AJUSTE DE CURVAS A DATOS DE MEDICIONES

Ajustar una curva implica ajustar una funcin g(x) a un conjunto de datos dado,
(xi,yi), y = 1, 2, ..., L. La funcin g(x) es un polinomio, una funcin no lineal o una
combinacin lineal de funciones conocidas. La funcin g(x) que se elige para
ajustar una curva contiene cierto nmero de coeficientes no determinados. En
general, el nmero de puntos de datos por ajustar, L, es mayor que el nmero de
coeficientes no determinados, k; por tanto, el mtodo para determinar los
coeficientes se basa en la minimizacin de las discrepancias entre la funcin
determinada y los puntos de datos, y recibe el nombre de mtodo de mnimos
cuadrados. En el caso especial de L = k, el ajuste de la curva se reduce a un
problema de interpolacin porque la curva ajustada pasa por los puntos de datos.

1.- AJUSTE DE LNEAS RECTAS

Supngase que interesa ajustar una funcin lineal al conjunto de datos de la tabla
1.1. La lnea ajustada a un conjunto de datos se denomina lnea de regresin.


TABLA 1.1

i x y
1 0.1 0.61
2 0.4 0.92
3 0.5 0.99
4 0.7 1.52
5 0.7 1.47
6 0.7 2.03


La funcin lineal se expresa con
1.1

En donde c
1
y c
2
son constantes no determinadas. El nmero de puntos de datos
es mayor que 2, la lnea no se ajusta a todos los puntos, se determina minmizando
las discrepancias entre la lnea y los datos. La desviacin de la lnea respecto de
los puntos est definida por:

1.2
Donde L es el nmero total de puntos de datos (6 en este ejemplo) y c
1
y c
2
son la
constantes por determinar.
La suma de las desviaciones elevadas al cuadrado es:

1.3
El mnimo de R ocurre cuando las derivadas parciales de R respecto de c
1
y c
2
son
cero:

1.4



La ecuacin 1.4 puede reescribirse as:

1.5
Donde






La solucin de la ecuacin 1.5 es





Una forma equivalente de determinar los coeficientes es considerar el problema
como una ecuacin lineal sobredeterminada. Por ejemplo, si todos los puntos de
datos de la tabla 1.1 satisfacen la ecuacin 1.1, escribimos:

; i = 1, 2, ... , L
o bien
1.6
Donde
, ,

Se dice que la ecuacin 1.6 es una ecuacin lineal sobredeterminada porque el
nmero de ecuaciones, L, es mayor que el nmero de incgnitas. Para obtener la
solucin, pre multiplicamos a la ecuacin 1.6 por la transpuesta de A:
1.7
Puesto que A
t
A se convierte en una matriz cuadrada de 2 por 2 y A
t
y se convierte
en un vector de longitud 2, la ecuacin 1.7 es un problema normal de 2 por 2. La
solucin se obtiene con:

La solucin anterior concuerda con la ecuacin 1.6

Tambin podemos resolver una ecuacin sobredeterminada en MATLAB con slo:

Lo mismo puede lograrse tambin con polyfit. Supongamos que x y y son los
conjuntos de datos por ajustar; entonces,

c = polyfit(x, y, 1)

Devolver los coeficientes c
1
y c
2
en el vector c, donde el tercer argumento, "1", es
el orden del polinomio ajustado y que en el caso de una lnea recta es la unidad.
2.- AJUSTE DE CURVAS NO LINEALES CON UNA FUNCIN DE POTENCIA
Con ciertos tipos de datos, puede ser adecuado ajustar la funcin de potencia
dada por
g(x) = b xa 2.1

Donde a y b son coeficientes no determinados. Para determinar los coeficientes,
primero obtenemos el logaritmo de la ecuacin 2.1:

log(g) = a log(x) + log(b ) 2.2

Con las definiciones
2.3
2.4
2.5
2.6
La ecuacin 2.2 se convierte en:



Entonces el problema se reduce a una regresin lineal, que ya vimos en la seccin
1. La ecuacin 2.7 se ajusta al conjunto de datos (log(yi), log(xi).

Ejemplo 2.-
Un conjunto de datos (graficado en la fig. 2) est dado por:

x = [0.15, 0.4, 0.6, 1.01, 1.5, 2.2, 2.4, 2.7, 2.9, 3.5, 3.8, 4.4, 4.6, 5.1, 6.6, 7.6]
y = [4.4964, 5.1284, 5.6931, 6.2884, 7.0989, 7.5507, 7.5106, 8.0756, 7.8708,
8.2403, 8.5303, 8.7394, 8.9981, 9.1450, 9.5970, 9.9115]
c = polyfit(log(x), log(y), 1)


El guin produce:

c = 0.2093 1.8588

Las constantes de la funcin de potencia son:

a = c1 = 0.2093
b = exp(c2) = exp(1.8588) = 6.4160

Por ltimo, la forma de potencias es

g(x) = b *xa = 6.4160*x
0.2093


El conjunto de datos y la curva ajustada se grafican de tres formas distintas en la
fig. 3.




3.- AJUSTE DE CURVAS CON UN POLINOMIO DE ORDEN SUPERIOR

El principio de los mnimos cuadrados puede extenderse al ajuste de un polinomio
de orden superior a los datos de mediciones. Escribimos un polinomio de orden n
as:
3.1
La desviacin de la curva respecto de cada punto de datos es
; i = 1,2, ... , L 3.2
donde L es el nmero de puntos de datos dados. La suma de las derivaciones
elevadas al cuadrado es
3.3

A fin de minimizar R, igualamos a cero las derivadas parciales de R respecto de cj:
, j = 1,2, ..., n+1 3.4
o, lo que es lo mismo,

; k = 1,2, ..., n+1 3.5
que tambin puede escribirse en la forma de matrices as:
3.6
Una forma equivalente de deducir la ecuacin 3.6 es partir de una ecuacin
sobredeterminada. La forma matricial de la ecuacin es

3.7

donde
A =
Cuando L > n + 1, la ecuacin est sobredeterminada porque el nmero de
ecuaciones es mayor que el nmero de coeficientes no determinados. Si
premultiplicamos ambos miembros por A obtenemos:
3.8
Que es igual a la ecuacin 3.6 y se puede resolver como problema normal con

En MATLAB, podemos obtener la solucin de la ecuacin 3.7 simplemente con

Como se anuncio en la seccin 1, otra forma equivalente pero ms sencilla de
encontrar los coeficientes de un polinomio ajustado de datos consiste en utilizar
polyfit:
c = polyfit(x, y, n)











4.- AJUSTE DE CURVAS CON UNA COMBINACIN LINEAL DE FUNCIONES
CONOCIDAS
Al ajustar una funcin a puntos de datos, podemos utilizar una combinacin de
cualesquier funciones conocidas, incluidos polinomios.
4.1
donde f
1
, f
2
, ... son funciones preescritas, c
1
, c
2
, ... son coeficientes no
determinados y k es el nmero total de funciones prescritas. Si ajustamos la
ecuacin 4.1 a cada punto de datos, podremos escribir una funcin
sobredeterminada as:
4.2
Con
; ;
donde L > k. Los coeficientes estn determinados por